基于多注释三角组损失的多任务学习用于提高目标检测
计算机视觉与模式识别
2026-01-13 v1 人工智能
机器学习
摘要
三角组损失传统上仅依赖类别标签，未充分利用多任务场景中可用的所有信息。本文引入了多注释三角组损失（Multi-Annotation Triplet Loss, MATL）框架，通过在损失函数中融合额外的注释信息（如边界框信息）以及类别标签，扩展了三角组损失。利用这些互补注释，MATL改进了需要同时进行分类和定位的多任务学习。在空中野生动物图像数据集上的实验表明，MATL在分类和定位方面均优于传统三角组损失。这些发现凸显了在多任务学习框架中充分利用所有可用注释对三角组损失的重要性。
引用
@article{arxiv.2504.08054,
title = {Multi-Task Learning with Multi-Annotation Triplet Loss for Improved Object Detection},
author = {Meilun Zhou and Aditya Dutt and Alina Zare},
journal= {arXiv preprint arXiv:2504.08054},
year = {2026}
}
备注
Accepted for Oral Presentation at the 45th IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2025, Brisbane, Australia. 4 pages and 4 figures